Struttura del corso
-
Introduzione a Machine Learning
Tipi di apprendimento automatico: apprendimento supervisionato e non supervisionato
Dall'apprendimento statistico all'apprendimento automatico
Flusso di lavoro di data mining:
Comprensione del business
Comprensione dei dati
Preparazione dei dati
Modellatura
Valutazione
Spiegamento
Algoritmi di apprendimento automatico
Scelta dell'algoritmo appropriato al problema
Overfitting e compromesso bias-varianza in ML
Librerie ML e linguaggi di programmazione
Perché usare un linguaggio di programmazione
Scelta tra R e Python
Corso accelerato di Python
Risorse Python
Librerie Python per l'apprendimento automatico
Notebook Jupyter e codifica interattiva
Test degli algoritmi di ML
Generalizzazione e overfitting
Evitare l'overfitting
Metodo di controllo
Convalida incrociata
Avvio automatico
Valutazione delle previsioni numeriche
Misure di accuratezza: ME, MSE, RMSE, MAPE
Stabilità dei parametri e delle previsioni
Valutazione degli algoritmi di classificazione
L'accuratezza e i suoi problemi
La matrice di confusione
Problema delle classi sbilanciate
Visualizzazione delle prestazioni del modello
Curva dei profitti
Curva ROC
Curva di portanza
Selezione del modello
Ottimizzazione del modello - strategie di ricerca della griglia
Esempi in Python
Preparazione dei dati
Importazione e archiviazione dei dati
Comprendere i dati: esplorazioni di base
Manipolazioni dei dati con la libreria panda
Trasformazioni dei dati – Data wrangling
Analisi esplorativa
Osservazioni mancanti: rilevamento e soluzioni
Outlier: rilevamento e strategie
Standardizzazione, normalizzazione, binarizzazione
Ricodifica qualitativa dei dati
Esempi in Python
Classificazione
Classificazione binaria e multiclasse
Classificazione tramite funzioni matematiche
Funzioni discriminanti lineari
Funzioni discriminanti quadratiche
Regressione logistica e approccio probabilistico
K-Vicini più prossimi
Bayes ingenuo
Alberi decisionali
CARRETTO
Insaccamento
Random Forests
Aumentare
Xgboost
Supporto Vector Machines e kernel
Classificatore del margine massimo
Macchina vettoriale di supporto
Apprendimento d'insieme
Esempi in Python
Regressione e predizione numerica
Stima dei minimi quadrati
Tecniche di selezione delle variabili
Regolarizzazione e stabilità- L1, L2
Non linearità e minimi quadrati generalizzati
Regressione polinomiale
Spline di regressione
Alberi di regressione
Esempi in Python
Apprendimento non supervisionato
Clustering
Clustering basato su centroidi – k-means, k-medoids, PAM, CLARA
Raggruppamento gerarchico – Diana, Agnese
Clustering basato su modelli - EM
Mappe auto-organizzanti
Valutazione e valutazione dei cluster
Riduzione della dimensionalità
Analisi delle componenti principali e analisi fattoriale
Decomposizione del valore singolare
Ridimensionamento multidimensionale
Esempi in Python
Estrazione di testo
Pre-elaborazione dei dati
Il modello del sacco di parole
Stemming e lemmizzazione
Analisi delle frequenze delle parole
Analisi del sentiment
Creazione di nuvole di parole
Esempi in Python
Motori di raccomandazioni e filtri collaborativi
Dati di raccomandazione
Filtraggio collaborativo basato sull'utente
Filtro collaborativo basato sugli elementi
Esempi in Python
Estrazione di modelli di associazione
Algoritmo dei set di elementi frequenti
Analisi del paniere di mercato
Esempi in Python
Analisi dei valori anomali
Analisi dei valori estremi
Rilevamento dei valori anomali basato sulla distanza
Metodi basati sulla densità
Rilevamento di valori anomali ad alta dimensione
Esempi in Python
Caso di studio di Machine Learning
Comprensione dei problemi aziendali
Pre-elaborazione dei dati
Selezione e messa a punto dell'algoritmo
Valutazione dei risultati
Spiegamento
Requisiti
Conoscenza e consapevolezza dei Machine Learning fondamenti
Recensioni (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Corso - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback